Как извлекать текст из файлов PPT, PPTX и ODP с помощью Open XML SDK в .NET

Open XML SDK

Open XML SDK предоставляет высоко структурированный и эффективный метод извлечения текста из файлов презентаций — особенно PPTX, которые соответствуют стандарту Open XML. Предоставляя прямой доступ к базовому XML, этот SDK обеспечивает более быструю и гибкую работу с содержимым слайдов по сравнению с традиционными методами.

Direct XML Access

• Analyze Text Directly: Open XML SDK позволяет извлекать текст из XML‑частей без рендеринга слайдов.
• Structured Elements: Поскольку текст хранится в четко определенных XML‑тегах, его проще получать и обрабатывать.

Пример: Извлечение текста непосредственно из XML‑содержимого слайда

using (PresentationDocument presentation = PresentationDocument.Open("presentation.pptx", false))
{
    var slidePart = presentation.PresentationPart.SlideParts.FirstOrDefault();
    if (slidePart != null)
    {
        var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
        foreach (var text in textElements)
        {
            Console.WriteLine(text.Text);
        }
    }
}

Преимущества производительности

• Faster Extraction: Обходит накладные расходы на открытие PowerPoint или других высокоуровневых API.
• Lower Memory Usage: Доступ только к релевантным XML‑частям, уменьшая потребление ресурсов.
• No Microsoft PowerPoint Needed: Освобождает от необходимости установки Microsoft PowerPoint.

Пример: Эффективное извлечение текста без загрузки полной презентации

using (PresentationDocument presentation = PresentationDocument.Open("presentation.pptx", false))
{
    foreach (var slidePart in presentation.PresentationPart.SlideParts)
    {
        var texts = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>().Select(t => t.Text);
        Console.WriteLine(string.Join(" ", texts));
    }
}

Идентификация текстовых элементов

Особенности извлечения текста из презентаций

При извлечении текста из презентаций учитывайте следующие моменты:

• Text May Reside in Different Sections: Обычные слайды, слайды‑шаблоны, макеты или заметки выступающего.
• Default Placeholders: Слайды‑шаблоны и макеты могут содержать заполнительные элементы (например, «Щелкните, чтобы отредактировать стиль заголовка шаблона»), которые не являются реальным содержимым презентации.
• Filtering Empty or Hidden Text: Некоторые элементы могут быть пустыми или не предназначенными для отображения.

Теги, содержащие текст

В файле PPTX текст обычно хранится в:

• элементами <a:t> внутри <a:p> (абзацы)
• элементами <a:r> (текстовые сегменты внутри абзацев)

Пример: Извлечение всех текстовых элементов со слайда

var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
foreach (var text in textElements)
{
    Console.WriteLine(text.Text);
}

ODP и PPT

Невозможность прямого извлечения текста

• В отличие от PPTX, PPT (бинарный формат) и ODP (презентация OpenDocument) не поддерживаются Open XML SDK.
• PPT хранит содержимое в закрытом бинарном формате, что усложняет извлечение текста.
• ODP использует OpenDocument XML, который структурно отличается от PPTX.

Обходной путь: Конвертация в PPTX

Для извлечения текста из PPT или ODP рекомендуется следующий подход:

1. Convert PPT → PPTX с помощью PowerPoint или стороннего инструмента.
2. Convert ODP → PPTX через LibreOffice или PowerPoint.
3. Extract text из нового PPTX с помощью Open XML SDK.

Пример: Конвертация ODP в PPTX через командную строку LibreOffice

soffice --headless --convert-to pptx presentation.odp

Поддерживаемые платформы и фреймворки

• Windows: .NET Framework 4.6.1 и выше, .NET Core 2.1+, .NET 5/6/7.
• Linux/macOS: .NET Core 2.1+, .NET 5/6/7.
• Cloud Environments: Microsoft Azure Functions, AWS Lambda (.NET Core), Docker‑контейнеры.
• Compatibility with Office Applications: Не требуется установка Microsoft Office.
• Supported Programming Languages: Open XML SDK можно использовать с C#, VB.NET, F# и другими поддерживаемыми .NET языками.

Заключение

Использование Open XML SDK для извлечения текста из PPTX обеспечивает как эффективность, так и ясность, тогда как PPT и ODP требуют начального шага конвертации для корректной обработки. Применение этого подхода гарантирует высокую производительность, гибкость и широкую совместимость с современными .NET‑приложениями.